Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
Hay textos que delatan su origen no por una palabra suelta, sino por la forma en que avanzan. Jochen Madler ha construido un sistema para detectar esa huella en artículos escritos por inteligencia artificial y también en versiones humanas que solo parafrasean lo que producen esos modelos.
SlopShape leyó la arquitectura del texto, no solo su vocabulario
El estudio se titula SlopShape y rozó una puntuación macro F1 de entre 97 y 98.
Madler no buscó frases sospechosas al estilo de un detector clásico. Su sistema usa un modelo de lenguaje que responde a un cuestionario de más de 200 preguntas sobre la estructura del texto, desde el orden de las ideas hasta el lugar en que aparece la tesis.
También examina cómo se presentan las fuentes y cómo vuelven ciertas conclusiones una y otra vez. Ahí aparece una pista que enlaza con otros debates recientes sobre la web más homogénea, donde muchos textos parecen distintos hasta que uno mira su esqueleto.
Según explica Jochen Madler, investigador responsable del trabajo, la inteligencia artificial deja una marca en la arquitectura del discurso. Esa marca aparece en textos previsibles, con conclusiones repetitivas y una organización que prioriza el orden perfecto sobre los desvíos que suelen introducir contexto, duda o matiz.
Las pruebas compararon textos antiguos con 11.250 versiones reescritas
Para ponerlo a prueba, el experimento reunió 2.250 publicaciones de blogs de 268 empresas de comunicación publicadas antes del lanzamiento de ChatGPT.
Los textos originales salieron de Wayback Machine. Después llegaron las reescrituras encargadas a GPT-5.4, Claude Sonnet 4.6, Gemini 3 Flash, DeepSeek V3.2 y Kimi K2.5.
El proceso produjo 11.250 versiones nuevas para comprobar si el sistema detectaba los cambios introducidos por cada modelo. En un 79% de los casos, además, logró identificar qué modelo concreto había generado el texto.
No es un detalle menor.
Distinguir que un texto parece artificial ya plantea un problema práctico. Distinguir además qué familia de modelo lo escribió acerca este tipo de herramientas a una lectura casi forense del estilo, algo que ya ha alimentado polémicas en los falsos positivos y en los usos académicos de estos detectores.
La precisión cayó cuando el estilo cambió de verdad
La cifra más alta no resistió igual en todos los escenarios. La puntuación bajó a 88,1 cuando los textos modificaban rasgos de estilo, justo el terreno donde una reescritura humana puede parecer menos mecánica sin dejar de apoyarse en una salida generada por máquina.
Ese descenso ayuda a entender qué está midiendo SlopShape. El sistema no persigue una palabra prohibida ni una firma invisible, sino patrones de organización que sobreviven incluso cuando la superficie del texto cambia.
Entre esos rasgos aparecen listas colocadas al principio, títulos que prometen exactamente el contenido sin rodeos y cierres que parafrasean la introducción. La sensación para el lector puede ser de limpieza y control, pero Madler sitúa ahí precisamente una de las pistas más útiles.
El experimento acertó en inglés, pero ahí mismo aparece su límite
Todo el estudio se hizo solo con artículos en inglés. Eso impide trasladar los resultados a otros idiomas, donde cambian el ritmo, la sintaxis y hasta la manera de colocar la tesis dentro de un texto.
La limitación importa porque muchas herramientas de detección se venden con una ambición universal que luego no siempre aguanta el cambio de lengua. Aquí, al menos, el límite queda nítido y obliga a leer el 97, el 98 y el 79 con una condición muy concreta delante.
Al final, la huella que busca SlopShape no está en una palabra rara ni en un giro llamativo, sino en algo más difícil de ver y más difícil de corregir a mano. Un texto puede cambiar de tono, de adjetivos o de longitud y aun así delatarse por la posición de su tesis, por el orden demasiado obediente de sus ideas y por una conclusión que vuelve a decir lo mismo.